Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-9994
For citation please use:
Main Title: Eine qualitative Untersuchung der Generalisierungsverhaltens von CNNs zur Instrumentenerkennung
Author(s): Gebhardt, Roman B.
Lykartsis, Athanasios
Weinzierl, Stefan
Type: Conference Object
Language Code: de
Abstract: Künstliche neuronale Netze (ANNs) haben sich im Bereich des maschinellen Lernens für Audiodaten als erfolgreichstes Werkzeug mit hoher Klassifikationsrate etabliert [1]. Ein bedeutender Nachteil besteht aus wissenschaftlicher Sicht jedoch in der schweren Interpretierbarkeit des von ANNs tatsächlich gelernten Inhalts [2, 3]. Um dieses Problem anzugehen untersuchen wir in dieser Arbeit den Lern- und Generalisierungsprozess eines Convolutional Neural Networks (CNNs) für Multi-Label Instrumentenerkennung in den Hidden Layers des Netzwerks. Wir betrachten die unterschiedlichen Aktivierungen aller Layers durch unterschiedliche Instrumentenklassen um nachzuvollziehen, ab welcher Tiefe das Netzwerk in der Lage ist, zwei von der gleichen Klasse stammenden Stimuli als ähnlich zu erkennen. Wir wiederholen das Experiment mit den gleichen Stimuli für ein auf die Erkennung von vier Emotionen trainiertes CNNs. Dabei bestätigen sich einerseits viele unserer Betrachtungen zum Generalisierungsprozess, gleichzeitig lassen die Ergebnisse darauf schließen, dass das auf Emotionserkennung trainierte Netzwerk in der Lage ist, instrumententypische Patterns zu lernen.
URI: https://depositonce.tu-berlin.de/handle/11303/11104
http://dx.doi.org/10.14279/depositonce-9994
Issue Date: 2020
Date Available: 16-May-2020
DDC Class: 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten
Subject(s): maschinelles Lernen
künstliche Intelligenz
neuronale Netze
Klassifikation
Musikinstrument
artificial neural networks
ANN
convolutional neural networks
CNN
musical instrument
machine learning
License: http://rightsstatements.org/vocab/InC/1.0/
Proceedings Title: Fortschritte der Akustik - DAGA 2020: 46. Deutsche Jahrestagung für Akustik
Publisher: Deutsche Gesellschaft für Akustik e.V.
Publisher Place: Berlin
Page Start: 547
Page End: 550
Appears in Collections:FG Audiokommunikation » Publications

Files in This Item:
gebhardt_etal_2020.pdf
Format: Adobe PDF | Size: 1.26 MB
DownloadShow Preview
Thumbnail

Item Export Bar

Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.